CN113591256B - 一种山区输电线路杆塔雷击概率结果评估方法 - Google Patents

一种山区输电线路杆塔雷击概率结果评估方法 Download PDF

Info

Publication number
CN113591256B
CN113591256B CN202110788426.8A CN202110788426A CN113591256B CN 113591256 B CN113591256 B CN 113591256B CN 202110788426 A CN202110788426 A CN 202110788426A CN 113591256 B CN113591256 B CN 113591256B
Authority
CN
China
Prior art keywords
lightning
foundation
tower
base
towers
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110788426.8A
Other languages
English (en)
Other versions
CN113591256A (zh
Inventor
何锦强
李�昊
朱登杰
潘浩
马仪
周仿荣
黄增浩
李锐海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China South Power Grid International Co ltd
Electric Power Research Institute of Yunnan Power Grid Co Ltd
Original Assignee
China South Power Grid International Co ltd
Electric Power Research Institute of Yunnan Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China South Power Grid International Co ltd, Electric Power Research Institute of Yunnan Power Grid Co Ltd filed Critical China South Power Grid International Co ltd
Priority to CN202110788426.8A priority Critical patent/CN113591256B/zh
Publication of CN113591256A publication Critical patent/CN113591256A/zh
Application granted granted Critical
Publication of CN113591256B publication Critical patent/CN113591256B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/10Geometric CAD
    • G06F30/18Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/043Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00Details relating to CAD techniques
    • G06F2111/08Probabilistic or stochastic CAD
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明实施例公开了一种山区输电线路杆塔雷击概率结果评估方法,通过获取所述待评估区域的输电线路的参数信息、历史雷击故障数据和雷电监测数据;根据所参数信息获取逐基杆塔的特征因子,并统计逐基杆塔的地闪密度;通过斯皮尔曼相关性分析各个所述特征因子与地闪密度的相关系数;根据所述相关系数,采用层次分析法和熵权法的组合方法计算各地形特征因子的权重,计算得到山地地形下每基杆塔的雷击风险值,通过智能寻优模型得到所述输电线路的逐基杆塔的雷击概率结果。本发明考虑多种地形影响因子,地闪密度和历史跳闸记录数据,结合寻优算法输出逐基杆塔的雷击概率结果,能够为明确防雷的重点杆塔,为输电线路建设、防雷设计改造等工作提供理论依据。

Description

一种山区输电线路杆塔雷击概率结果评估方法
技术领域
本发明涉及输电线路雷害防护技术领域,尤其涉及一种山区输电线路杆塔雷击概率结果评估方法。
背景技术
输电线路是电网的基础组成部分,雷电活动是危害输电线路安全可靠运行的主要因素之一。输电线路途经的地形相当复杂,地貌极具多样化,雷击故障频繁发生,在我国由雷击引起的跳闸事故约占高压输电线路跳闸总数的 40%~70%,严重威胁到电网的安全稳定运行。
输电线路的长距离架设,经常需要经过复杂山区地形,多年运行经验表明,山区雷电活动较平原地区更加频繁,途径山区的输电线路或是跨越山区的线路区段,其遭受雷击的概率也更高。准确预估出输电线路大的雷击概率,能够对明确防雷的重点线路、重点杆塔,为输电线路建设、防雷措施和改造工作提供理论依据。
目前现有技术中针对山地地形因素对雷电活动影响的研究较为粗略,没有全面考虑各种地形特征因子对雷电活动的综合影响。
发明内容
针对现有技术的缺陷,本发明实施例提出一种山区输电线路杆塔雷击概率结果评估方法,考虑多种地形影响因子,地闪密度和历史跳闸记录数据,结合寻优算法输出输电线路杆塔的雷击概率结果。
本发明实施例提供的一种山区输电线路杆塔雷击概率结果评估方法,所述方法包括;
获取所述待评估区域的输电线路的逐基杆塔参数信息、所述待评估区域的历史雷击故障数据和待评估区域的雷电监测数据。
根据所述逐基杆塔参数信息获取逐基杆塔地形地貌的特征因子,并统计逐基杆塔的地闪密度;
根据斯皮尔曼相关模型分析逐基杆塔的各个所述特征因子与所述地闪密度的相关系数;
根据所述相关系数和层次分析法,计算各个所述特征因子的权向量;
根据熵权法修正各个所述特征因子的权向量,得到修正后的各个所述特征因子的权重;
根据雷击风险值计算模型和各个所述特征因子的权重,计算得到逐基杆塔的雷击风险值;
根据所述逐基杆塔参数信息仿真得到逐基杆塔的雷击跳闸率,并建立智能寻优模型,通过模型计算得到所述输电线路的逐基杆塔的雷击概率结果。
优选地,所述逐基杆塔参数信息包括:线路结构参数信息、线路绝缘配置信息和线路杆塔经纬度信息;
所述历史雷击故障数据包括发生过雷击跳闸事故的杆塔位置信息;
所述雷电检测数据包括所述待评估区域的落雷的时间、待评估区域的落雷经纬度位置坐标和待评估区域的雷电流幅值信息。
优选地,所述根据所述参数信息获取逐基杆塔的地形地貌的特征因子,并统计逐基杆塔的地闪密度,具体包括:
分别将逐基杆塔经纬度信息导入地理信息系统中,获取逐基杆塔的山地地形的特征因子,所述特征因子包括:100~500m范围内的最大高程差、山脊距离、山谷距离、地面倾角、坡向和海拔;
以逐基杆塔为中心划分地闪密度的统计区域,统计逐基杆塔的统计区域的地闪密度,将逐基杆塔的特征因子和地闪密度按照杆塔的逐基杆塔的编号储存。
进一步地,所述根据斯皮尔曼相关模型分析逐基杆塔的各个所述特征因子与所述地闪密度的相关系数,具体包括:
建立斯皮尔曼相关系数模型:计算各个所述特征因子与所述地闪密度的相关系数;其中,
θk为第k个特征因子的相关系数、Ri为第i基杆塔的第k个特征因子的秩、 Si为第i基杆塔的地闪密度值的秩、为变量Ri的均值、/>为变量Si的均值。
作为一种优选方式,所述根据所述相关系数和层次分析法,计算各个所述特征因子的权向量,具体包括:
选择相关系数排序最高的n个所述特征因子中的特征因子,根据选择的特征因子的相关系数的大小,判断选择的特征因子两两相对于所述地闪密度的重要程度,建立准则层的判断矩阵A;其中:
βij=θij
将判断矩阵A的每一列元素做归一化处理
将归一化的判断矩阵按行相加
对向量归一化/>
计算最大特征值λmax=(λ1,λ2......λn)T
通过一致性验证模型:验证所述判断矩阵A的一致性:
当CR<0.1时,一致性验证通过;
当CR≥0.1时,一致性验证不通过,重新从各个所述特征因子中选择预设数量的特征因子,并建立判断矩阵,求解最大特征值及最大特征向量,进行一致性验证,直到通过一致性验证;
输出所述特征向量为各个所述特征因子的权向量αj
其中,n为所述判断矩阵A的阶数;θi、θj分别为第i,j个特征因子的相关系数,βij为矩阵A中的元素,等于两个因子相关系数的比值,CI为中间变量;RI 为给定的平均随机一致性指标;CR为随机一致性比率。
优选地,所述根据熵权法修正各个所述特征因子的权向量,得到修正后的各个所述特征因子的权重,具体包括:
将各个所述特征因子划分为正向指标和负向指标;
将正相指标通过正向处理模型进行标准化处理,将反向指标通过负向处理模型/>进行标准化处理,得到处理后的特征因子参数值xij;其中,aij为标准化处理前第i基杆塔的第j个特征因子的参数值,xij为标准化处理后第i基杆塔的第j个特征因子的参数值;
通过矩阵Rm×n计算各个所述特征因子的熵值Ej
根据所述熵值Ej计算各个所述特征因子的熵权μj
通过各个所述特征因子的熵权μj修正所述特征因子的权向量αj,得到修正后的各个所述特征因子的权重系数ηj
根据各个所述特征因子的权重系数ηj和所述特征因子的权向量αj,计算得到各个所述特征因子的权重γj
其中, γj=ραj+(1-ρ)ηj,m为待评估区域的杆塔的基数,n为逐基杆塔评估时各个所述特征因子的数量,ρ为偏好系数。
优选地,所述根据雷击风险值计算模型和各个所述特征因子的权重,计算得到逐基杆塔的雷击风险值,具体包括:
根据雷击风险计算模型Bi=(γ1ri12ri2+...+γnrin),计算得到逐基杆塔的雷击风险值Bi
其中,ri1~rin为第i基杆塔的各个所述特征因子的参数值,γ1~γn为各个所述因子的权重。
优选地,所述根据所述逐基杆塔参数信息仿真得到逐基杆塔的雷击跳闸率,并建立智能寻优模型,通过模型计算得到所述输电线路的逐基杆塔的雷击概率结果,具体包括:
根据所述逐基杆塔的参数信息,按照规程法和电气几何模型法计算得到逐基杆塔的雷击跳闸率;
基于模糊逻辑神经网络算法构建智能寻优模型,将逐基杆塔的雷击风险值、逐基杆塔的地闪密度、仿真得到的逐基杆塔的雷击跳闸率和所述历史雷击故障数据作为训练样本集合,输入到所述智能寻优模型中训练,输出所述输电线路的逐基杆塔的雷击概率结果。
本发明提供一种山区输电线路杆塔雷击概率结果评估方法,通过获取所述待评估区域的输电线路的参数信息、历史雷击故障数据和雷电监测数据;根据所参数信息获取逐基杆塔的特征因子,并统计逐基杆塔的地闪密度;通过斯皮尔曼相关性分析各个所述特征因子与地闪密度的相关系数;并基于所述相关系数;采用层次分析法和熵权法的组合方法计算各地形特征因子的权重,结合各因子的属性值计算得到山地地形下每基杆塔的雷击风险值,通过智能寻优模型得到所述输电线路的逐基杆塔的雷击概率结果。本发明考虑多种地形影响因子,地闪密度和历史跳闸记录数据,结合寻优算法输出逐基杆塔的雷击概率结果,能够为明确防雷的重点杆塔,为输电线路建设、防雷设计改造等工作提供理论依据。
附图说明
图1是本发明实施例提供的一种山区输电线路杆塔雷击概率结果评估方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种山区输电线路杆塔雷击概率结果评估方法,参见图1 所示,是本发明实施例提供的一种山区输电线路杆塔雷击概率结果评估方法的流程示意图,所述方法包括步骤S101~S107。
S101,获取所述待评估区域的输电线路的逐基杆塔参数信息、所述待评估区域的历史雷击故障数据和待评估区域的雷电监测数据。
S102,根据所述逐基杆塔参数信息获取逐基杆塔地形地貌的特征因子,并统计逐基杆塔的地闪密度;
S103,根据斯皮尔曼相关模型分析逐基杆塔的各个所述特征因子与所述地闪密度的相关系数;
S104,根据所述相关系数和层次分析法,计算各个所述特征因子的权向量;
S105,根据熵权法修正各个所述特征因子的权向量,得到修正后的各个所述特征因子的权重;
S106,根据雷击风险值计算模型和各个所述特征因子的权重,计算得到逐基杆塔的雷击风险值;
S107,根据所述逐基杆塔参数信息仿真得到逐基杆塔的雷击跳闸率,并建立智能寻优模型,通过模型计算得到所述输电线路的逐基杆塔的雷击概率结果。
在本实施例具体实施时,获取途经典型山地地形的待评估区域的输电线路逐基杆塔参数信息、待评估区域的历史雷击故障数据以及待评估区域的雷电监测数据;
根据所述逐基杆塔参数信息,将逐基杆塔的经纬度信息导入GIS系统,获取逐基杆塔的地形地貌的特征因子,并统计逐基杆塔的地闪密度;
对每个地形特征因子与地闪密度分别进行斯皮尔曼相关性分析,计算各因子与地闪密度的相关系数,并按相关系数大小进行排序;
采用层次分析法计算各个所述特征因子的权向量;
根据熵权法修正层次分析法获得的各个所述特征因子的权向量,得到修正后的各个所述特征因子的权重;
根据雷击风险值计算模型和各个所述特征因子的权重,结合各个所述特征因子的参数值计算得到逐基杆塔的雷击风险值;
根据所述逐基杆塔参数信息仿真得到逐基杆塔的雷击跳闸率,并建立智能寻优模型,通过模型计算得到所述输电线路的逐基杆塔的雷击概率结果。
本发明实施例提供一种山区输电线路杆塔雷击概率结果评估方法,通过获取所述待评估区域的输电线路的参数信息、历史雷击故障数据和雷电监测数据;根据所参数信息获取逐基杆塔的特征因子,并统计逐基杆塔的地闪密度;通过斯皮尔曼相关性分析各个所述特征因子与地闪密度的相关系数;并基于所述相关系数;采用层次分析法和熵权法的组合方法计算各地形特征因子的权重,结合各因子的属性值计算得到山地地形下每基杆塔的雷击风险值,通过智能寻优模型得到所述输电线路的逐基杆塔的雷击概率结果。本发明考虑多种地形影响因子,地闪密度和历史跳闸记录数据,结合寻优算法输出逐基杆塔的雷击概率结果,能够为明确防雷的重点杆塔,为输电线路建设、防雷设计改造等工作提供理论依据。
在本发明提供的又一实施例中,所述逐基杆塔参数信息包括:线路结构参数信息、线路绝缘配置信息和线路杆塔经纬度信息;
所述历史雷击故障数据包括发生过雷击跳闸事故的杆塔位置信息;
所述雷电检测数据包括所述待评估区域的落雷的时间、待评估区域的落雷经纬度位置坐标和待评估区域的雷电流幅值信息。
在本实施例具体实施时,逐基杆塔参数信息包括线路结构参数信息、线路绝缘配置信息和线路杆塔经纬度信息,具体地,线路结构参数信息包括杆塔、导线、避雷线的型号和几何尺寸;线路绝缘配置信息包括绝缘子串型号和片数、杆塔接地电阻;线路杆塔经纬度信息通过GPS定位获得逐基杆塔的具体经纬度坐标;
所述历史雷击故障数据包括发生过雷击跳闸事故的杆塔位置信息;
所述雷电检测数据包括发生过雷击跳闸事故的杆塔位置信息,具体地,获取待研究线路所在区域5年以上雷电定位数据,包括每次落雷的时间、落雷点的经纬度坐标、雷电流幅值。
通过获取待评估区域的逐基杆塔参数信息、所述待评估区域的历史雷击故障数据和待评估区域的雷电监测数据,能够更准确的描述杆塔附近的山地地形,保证了对雷击影响因子的全面考虑,保证了输电线路杆塔雷击概率评估方法的准确性和普适性。
在本发明提供的又一实施例中,所述根据所述参数信息获取逐基杆塔的地形地貌的特征因子,并统计逐基杆塔的地闪密度,具体包括:
分别将逐基杆塔经纬度信息导入地理信息系统中,获取逐基杆塔的山地地形的特征因子,所述特征因子包括:100~500m范围内的最大高程差、山脊距离、山谷距离、地面倾角、坡向和海拔;
以逐基杆塔为中心划分地闪密度的统计区域,统计逐基杆塔的统计区域的地闪密度,将逐基杆塔的特征因子和地闪密度按照杆塔的逐基杆塔的编号储存。
在本实施例具体实施时,将逐基杆塔经纬度信息导入GIS系统,获取逐基杆塔的山地地形特征量,包括100~500m范围的最大高程差、山脊距离、山谷距离、地面倾角、坡向、海拔。以逐基杆塔为中心划分地闪密度统计区域,并统计逐基杆塔的地闪密度值,将地形特征量和地闪密度按杆塔编号统一存储。
以杆塔为中心,利用地理信息软件,分别以100m,200m,300m,400m, 500m为半径划定圆形区域,提取各圆形区域内的最大高程点的高程值和最小高程点的高程值,计算各个圆形区域内的最大高程差。
半径为r的圆形区域内最大高程差计算公式如下:
ΔH(r)=Hmax(r)-Hmin(r)
式中:ΔH(r)——半径r范围内最大高程差,单位为m;
Hmax(r)——半径为r范围内的最大高程,单位为m;
Hmin(r)——半径为r范围内的最小高程,单位为m;
利用地理信息软件,采用基于几何形态和流水物理模拟分析的山谷、山脊提取方法,先基于几何形态求分水线和汇水线,将地形断面曲线上高程最大值作为分水点,最小值作为汇水点,并将分水汇水点分别连接成线;按照流水从高至低的自然规律,按序计算每一栅格点上的汇水量,进而计算得到分水线,对DEM数据求负得到负地形,再计算汇水量并得到分水线,得到的即为实际的汇水线。对两种方法计算得到的分水线求交集即得到山谷线,对计算得到的汇水线求交集即得山脊线,计算提取各基杆塔距山谷、山脊的距离;
地面倾角即水平面与地形面之间夹角,表示地表面在该点的倾斜程度,地面倾角的在数值上等于过改点的地表微分单元的法矢量n与z轴的夹角,即:式中:Slope——地面倾角,单位度(°);
坡向表示该点高程值改变量最大变化方向,对坡向值有如下定义:正北方向为0°,按顺时针方向计算,取值范围为0°~360°。坡向计算公式如下:式中:Aspect——坡向,度(°);fx为x轴方向的高程变化率; fy为y轴方向的高程变化率。
通过定义100~500m范围的最大高程差、山脊距离、山谷距离、地面倾角、坡向、海拔等多种山地地形的影响因子,综合考虑山地地形、线路绝缘配置、历史故障数据、雷电活动,对山区输电线路逐基杆塔的雷击概率进行全面的评估,评估结果更加准确。
在本发明提供的又一实施例中,所述根据斯皮尔曼相关模型分析逐基杆塔的各个所述特征因子与所述地闪密度的相关系数;具体包括:
建立斯皮尔曼相关系数模型:计算各个所述特征因子与所述地闪密度的相关系数;其中,
θk为第k个特征因子的相关系数、Ri为第i基杆塔的第k个特征因子的秩、 Si为第i基杆塔的地闪密度值的秩、为变量Ri的均值、/>为变量Si的均值。
在本实施例具体实施时,对每个特征因子与地闪密度分别进行斯皮尔曼相关性分析,计算各特征因子与地闪密度的相关系数,并按相关系数大小进行排序。
将每个特征因子作为自变量,将地闪密度值作为因变量,采用斯皮尔曼相关性分析方法计算该地形特征量与地闪密度的相关系数,计算每一个地形特征因子的相关系数。
斯皮尔曼相关分析根据等级资料研究两个变量间的相关关系,它依据两列成对等级的各对等级数之差来进行计算,通过斯皮尔曼相关模型:
计算各个所述特征因子与所述地闪密度的相关系数;其中,
θk为第k个特征因子的相关系数、Ri为第i基杆塔的第k个特征因子的秩、 Si为第i基杆塔的地闪密度值的秩、为变量Ri的均值、/>为变量Si的均值。
通过斯皮尔曼相关分析能够分析各个所述特征因子与地闪密度的相关性,通过各个特征因子与地闪密度的相关系数,表征杆塔各个特征因子对杆塔的雷击概率的影响性,为后续层次分析法选择特征因子提供优先排序,减少主观选择特征因子对雷击概率计算产生误差,减少雷击概率计算过程中的主观性,提高雷击风险评估的准确性。
在本发明提供的又一实施例中,所述根据所述相关系数和层次分析法,计算各个所述特征因子的权向量,具体包括:
选择相关系数排序最高的n个所述特征因子中的特征因子,根据选择的特征因子的相关系数的大小,判断选择的特征因子两两相对于所述地闪密度的重要程度,建立准则层的判断矩阵A;
求解所述判断矩阵A的最大特征值λmax及特征向量;
通过一致性验证模型:验证所述判断矩阵A的一致性:
当CR<0.1时,一致性验证通过;
当CR≥0.1时,一致性验证不通过,重新从各个所述特征因子中选择预设数量的特征因子,并建立判断矩阵,求解最大特征值及最大特征向量,进行一致性验证,直到通过一致性验证;
输出所述特征向量为各个所述特征因子的权向量αj
其中,n为所述判断矩阵A的阶数;CI为中间变量;RI为给定的平均随机一致性指标,通过查表获得;CR为随机一致性比率。
在本实施例具体实施时,所述层次分析法具体步骤为:
建立递阶层次结构:包括雷击风险值的目标层、包括各个特征因子的准则层和包括各个杆塔方案层;
选择相关系数排序最高的n个所述特征因子中的特征因子,根据选择的特征因子的相关系数的大小,判断选择的特征因子两两相对于所述地闪密度的重要程度,建立准则层的判断矩阵A;其中:
βij=θij
将判断矩阵A的每一列元素做归一化处理其元素为根据斯皮尔曼相关分析得到的各个特征因子与地闪密度的相关系数大小排序最高的10个特征因子两两之间的重要程度比值;
将归一化的判断矩阵按行相加
对向量归一化/>
计算最大特征值λmax=(λ1,λ2......λn)T
通过一致性验证模型:验证所述判断矩阵A的一致性:
当CR<0.1时,一致性验证通过;
当CR≥0.1时,一致性验证不通过,重新从各个所述特征因子中选择预设数量的特征因子,并建立判断矩阵,求解最大特征值及最大特征向量,进行一致性验证,直到通过一致性验证;
输出所述特征向量为各个所述特征因子的权向量αj
其中,n为所述判断矩阵A的阶数;θi、θj分别为第i,j个特征因子的相关系数,βij为矩阵A中的元素,等于两个因子相关系数的比值,CI为中间变量;RI 为给定的平均随机一致性指标;CR为随机一致性比率。
通过选择预设数量的用于评估的特征因子,并通过层次分析法计算各个所述特征因子的权向量αj,并验证特征因子的一致性,通过验证后,确保计算的权向量对雷击概率评估重要程度较高,能够提高雷击概率的评估准确性。
在本发明提供的又一实施例中,所述根据熵权法修正各个所述特征因子的权向量,得到修正后的各个所述特征因子的权重,具体包括:
将各个所述特征因子划分为正向指标和负向指标;
将正相指标通过正向处理模型进行标准化处理,将反向指标通过负向处理模型/>进行标准化处理,得到处理后的特征因子参数值xij;其中,aij为标准化处理前第i基杆塔的第j个特征因子的参数值,xij为标准化处理后第i基杆塔的第j个特征因子的参数值;
通过矩阵Rm×n计算各个所述特征因子的熵值Ej
根据所述熵值Ej计算各个所述特征因子的熵权μj
通过各个所述特征因子的熵权μj修正所述特征因子的权向量αj,得到修正后的各个所述特征因子的权重系数ηj
根据各个所述特征因子的权重系数ηj和所述特征因子的权向量αj,计算得到各个所述特征因子的权重γj
其中, γj=ραj+(1-ρ)ηj,m为待评估区域的杆塔的基数,n为逐基杆塔评估时各个所述特征因子的数量,ρ为偏好系数。
在本实施例具体实施时,对于有m个逐基杆塔,n个特征因子的待评估对象,则形成m×n阶矩阵R0
根据数据类型分为正向指标和负向指标,其中正向指标数值越高越好负向指标数值越低越好,正向指标进行标准化处理:负向指标进行标准化处理:/>得到处理后的特征因子参数值 xij;其中,aij为标准化处理前第i基杆塔的第j个特征因子的参数值,xij为标准化处理后第i基杆塔的第j个特征因子的参数值
通过矩阵Rm×n计算各个所述特征因子的熵值Ej
根据所述熵值Ej计算各个所述特征因子的熵权μj
通过各个所述特征因子的熵权μj修正所述特征因子的权向量αj,得到修正后的各个所述特征因子的权重系数ηj
根据各个所述特征因子的权重系数ηj和所述特征因子的权向量αj,计算得到各个所述特征因子的权重γj
其中, γj=ραj+(1-ρ)ηj,m为待评估区域的杆塔的基数,n为逐基杆塔评估时各个所述特征因子的数量,ρ为偏好系数,通常取0.5。
针对待评估的杆塔集合建立m×n阶矩阵,m为评估对象即每基杆塔,n为评估指标即雷击影响因子。通过计算得到n个评估指标的熵权μj,并利用计算得到的熵权所述特征因子的权向量αj,得到修正后的各个所述特征因子的权重系数ηj;根据各个所述特征因子的权重系数ηj和所述特征因子的权向量αj进而得到综合权重γj,最终计算得到每基杆塔的雷击风险值。
通过采用层次分析法和熵权法的组合方法计算各地形特征因子的权重,使权重包含客观数据的有效信息,充分利用原始数据信息,有效避免人为因素的干扰,消除每个单一赋权法权重系数的不确定性,使得评估计算更加真实可靠。
在本发明提供的又一实施例中,所述根据雷击风险值计算模型和各个所述特征因子的权重,计算得到逐基杆塔的雷击风险值,具体包括:
根据雷击风险计算模型Bi=(γ1ri12ri2+...+γnrin),计算得到逐基杆塔的雷击风险值Bi
其中,ri1~rin为第i基杆塔的各个所述特征因子的参数值,γ1~γn为各个所述因子的权重。
在本实施例具体实施时,根据熵权法计算得到的各个所述特征因子的权重γj以及层次分析法中获得的各个特征因子的参数值,根据雷击风险计算模型 Bi=(γ1ri12ri2+...+γnrin),计算得到逐基杆塔的雷击风险值Bi
其中,ri1~rin为第i基杆塔的各个所述特征因子的参数值,γ1~γn为各个所述因子的权重。
通过层次分析法和熵权法计算获得的各个所述特征因子的权重值,能够反应各个所述特征因子和雷击风险之间的关系,通过各个权重和特征因子的加权求和,能够得出逐基杆塔的雷击风险值,反映逐基杆塔被雷击的风险值,结果更加客观准确。
在本发明提供的又一实施例中,所述根据所述逐基杆塔参数信息仿真得到逐基杆塔的雷击跳闸率,并建立智能寻优模型,通过模型计算得到所述输电线路的逐基杆塔的雷击概率结果,具体包括:
根据所述逐基杆塔的参数信息,按照规程法和电气几何模型法计算得到逐基杆塔的雷击跳闸率;
基于模糊逻辑神经网络算法构建智能寻优模型,将逐基杆塔的雷击风险值、逐基杆塔的地闪密度、仿真得到的逐基杆塔的雷击跳闸率和所述历史雷击故障数据作为训练样本集合,输入到所述智能寻优模型中训练,输出所述输电线路的逐基杆塔的雷击概率结果。
在本实施例具体实施时,根据线路的结构参数包括杆塔、导线、避雷线的型号和几何尺寸,线路的绝缘配置信息包括绝缘子串型号和片数、杆塔接地电阻,按照规程法和电气几何模型法计算杆塔的雷击跳闸率,将杆塔的雷击风险值、地闪密度、仿真得到的雷击跳闸率和实际历史跳闸率作为训练样本集合,将杆塔的雷击风险值、地闪密度、仿真得到的雷击跳闸率和实际历史跳闸率作为输入量,基于模糊逻辑神经网络算法建立智能寻优模型进行训练,输出考虑山区地形雷击风险的线路杆塔雷击跳闸概率结果。
通过考虑各个线路的绝缘配置信息计算的杆塔雷击跳闸率,针对不同线路和杆塔进行单独计算,评估结果更加具有普遍性,结合历史雷击故障数据和地形雷击风险值,基于模糊逻辑神经网络寻优算法模型,分析得到考虑山地地形的输电线路杆塔雷击概率结果,对线路杆塔雷击概率评估结果更加准确,客观。
本发明提供一种山区输电线路杆塔雷击概率结果评估方法,通过获取所述待评估区域的输电线路的参数信息、历史雷击故障数据和雷电监测数据;根据所参数信息获取逐基杆塔的特征因子,并统计逐基杆塔的地闪密度;通过斯皮尔曼相关性分析各个所述特征因子与地闪密度的相关系数;并基于所述相关系数;采用层次分析法和熵权法的组合方法计算各地形特征因子的权重,结合各因子的属性值计算得到山地地形下每基杆塔的雷击风险值,通过智能寻优模型得到所述输电线路的逐基杆塔的雷击概率结果。本发明考虑多种地形影响因子,地闪密度和历史跳闸记录数据,结合寻优算法输出逐基杆塔的雷击概率结果,能够为明确防雷的重点杆塔,为输电线路建设、防雷设计改造等工作提供理论依据。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。

Claims (5)

1.一种山区输电线路杆塔雷击概率结果评估方法,其特征在于,所述方法包括;
获取待评估区域的输电线路的逐基杆塔参数信息、所述待评估区域的历史雷击故障数据和待评估区域的雷电监测数据;
根据所述逐基杆塔参数信息获取逐基杆塔地形地貌的特征因子,并统计逐基杆塔的地闪密度;
根据斯皮尔曼相关模型分析逐基杆塔的各个所述特征因子与所述地闪密度的相关系数;
根据所述相关系数和层次分析法,计算各个所述特征因子的权向量;
根据熵权法修正各个所述特征因子的权向量,得到修正后的各个所述特征因子的权重;
根据雷击风险值计算模型和各个所述特征因子的权重,计算得到逐基杆塔的雷击风险值;
根据所述逐基杆塔参数信息仿真得到逐基杆塔的雷击跳闸率,并建立智能寻优模型,通过模型计算得到所述输电线路的逐基杆塔的雷击概率结果;
所述根据所述逐基杆塔参数信息仿真得到逐基杆塔的雷击跳闸率,并建立智能寻优模型,通过模型计算得到所述输电线路的逐基杆塔的雷击概率结果,具体包括:
根据所述逐基杆塔的参数信息,按照规程法和电气几何模型法计算得到逐基杆塔的雷击跳闸率;
基于模糊逻辑神经网络算法构建智能寻优模型,将逐基杆塔的雷击风险值、逐基杆塔的地闪密度、仿真得到的逐基杆塔的雷击跳闸率和所述历史雷击故障数据作为训练样本集合,输入到所述智能寻优模型中训练,输出所述输电线路的逐基杆塔的雷击概率结果;
所述根据所述逐基杆塔参数信息获取逐基杆塔地形地貌的特征因子,并统计逐基杆塔的地闪密度,具体包括:
分别将逐基杆塔经纬度信息导入地理信息系统中,获取逐基杆塔的山地地形的特征因子,所述特征因子包括:100~500m范围内的最大高程差、山脊距离、山谷距离、地面倾角、坡向和海拔;
以逐基杆塔为中心划分地闪密度的统计区域,统计逐基杆塔的统计区域的地闪密度,将逐基杆塔的特征因子和地闪密度按照杆塔的逐基杆塔的编号储存;
所述根据所述相关系数和层次分析法,计算各个所述特征因子的权向量,具体包括:
选择相关系数排序最高的n个所述特征因子中的特征因子,根据选择的特征因子的相关系数的大小,判断选择的特征因子两两相对于所述地闪密度的重要程度,建立准则层的判断矩阵A;其中:
βij=θij
将判断矩阵A的每一列元素做归一化处理
将归一化的判断矩阵按行相加
对向量归一化/>
计算最大特征值λmax=1,λ2......λn)T
通过一致性验证模型:验证所述判断矩阵A的一致性:
当CR<0.1时,一致性验证通过;
当CR≥0.1时,一致性验证不通过,重新从各个所述特征因子中选择预设数量的特征因子,并建立判断矩阵,求解最大特征值及最大特征向量,进行一致性验证,直到通过一致性验证;
输出所述特征向量为各个所述特征因子的权向量αj
其中,n为所述判断矩阵A的阶数;θi、θj分别为第i,j个特征因子的相关系数,βij为矩阵A中的元素,等于两个因子相关系数的比值,CI为中间变量;RI为给定的平均随机一致性指标;CR为随机一致性比率。
2.根据权利要求1所述的山区输电线路杆塔雷击概率结果评估方法,其特征在于,所述逐基杆塔参数信息包括:线路结构参数信息、线路绝缘配置信息和线路杆塔经纬度信息;
所述历史雷击故障数据包括发生过雷击跳闸事故的杆塔位置信息;
所述雷电检测数据包括所述待评估区域的落雷的时间、待评估区域的落雷经纬度位置坐标和待评估区域的雷电流幅值信息。
3.根据权利要求2所述的山区输电线路杆塔雷击概率结果评估方法,其特征在于,所述根据斯皮尔曼相关模型分析逐基杆塔的各个所述特征因子与所述地闪密度的相关系数,具体包括:
建立斯皮尔曼相关系数模型:计算各个所述特征因子与所述地闪密度的相关系数;其中,
θk为第k个特征因子的相关系数、Ri为第i基杆塔的第k个特征因子的秩、Si为第i基杆塔的地闪密度值的秩、为变量Ri的均值、/>为变量Si的均值。
4.根据权利要求1所述的一种山区输电线路杆塔雷击概率结果评估方法,其特征在于,所述根据熵权法修正各个所述特征因子的权向量,得到修正后的各个所述特征因子的权重,具体包括:
将各个所述特征因子划分为正向指标和负向指标;
将正相指标通过正向处理模型进行标准化处理,将反向指标通过负向处理模型/>进行标准化处理,得到处理后的特征因子参数值xij;其中,aij为标准化处理前第i基杆塔的第j个特征因子的参数值,xij为标准化处理后第i基杆塔的第j个特征因子的参数值;
通过矩阵Rm×n计算各个所述特征因子的熵值Ej
根据所述熵值Ej计算各个所述特征因子的熵权μj
通过各个所述特征因子的熵权μj修正所述特征因子的权向量αj,得到修正后的各个所述特征因子的权重系数ηj
根据各个所述特征因子的权重系数ηj和所述特征因子的权向量αj,计算得到各个所述特征因子的权重γj
其中, γj=ραj+(1-ρ)ηj,m为待评估区域的杆塔的基数,n为逐基杆塔评估时各个所述特征因子的数量,ρ为偏好系数。
5.根据权利要求1所述的山区输电线路杆塔雷击概率结果评估方法,其特征在于,所述根据雷击风险值计算模型和各个所述特征因子的权重,计算得到逐基杆塔的雷击风险值,具体包括:
根据雷击风险计算模型Bi=(γ1ri12ri2+...+γnrin),计算得到逐基杆塔的雷击风险值Bi
其中,ri1~rin为第i基杆塔的各个所述特征因子的参数值,γ1~γn为各个所述因子的权重。
CN202110788426.8A 2021-07-12 2021-07-12 一种山区输电线路杆塔雷击概率结果评估方法 Active CN113591256B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110788426.8A CN113591256B (zh) 2021-07-12 2021-07-12 一种山区输电线路杆塔雷击概率结果评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110788426.8A CN113591256B (zh) 2021-07-12 2021-07-12 一种山区输电线路杆塔雷击概率结果评估方法

Publications (2)

Publication Number Publication Date
CN113591256A CN113591256A (zh) 2021-11-02
CN113591256B true CN113591256B (zh) 2024-03-29

Family

ID=78247475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110788426.8A Active CN113591256B (zh) 2021-07-12 2021-07-12 一种山区输电线路杆塔雷击概率结果评估方法

Country Status (1)

Country Link
CN (1) CN113591256B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115115221B (zh) * 2022-06-25 2023-08-08 国网安徽省电力有限公司经济技术研究院 一种基于云计算的窄基钢塔建造分析方法
CN116258371A (zh) * 2023-02-09 2023-06-13 湖北省防雷中心 一种基于改进层次分析法的雷电灾害风险区划方法
CN116363116B (zh) * 2023-04-12 2023-09-01 周晓菲 输电铁塔雷击概率分时判断系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228305A (zh) * 2016-07-26 2016-12-14 中国葛洲坝集团电力有限责任公司 一种输电线路防雷措施的评估方法
CN107992962A (zh) * 2017-11-23 2018-05-04 海南电网有限责任公司电力科学研究院 一种基于熵权法的输电线路防雷措施优化选择方法
CN108108877A (zh) * 2017-11-29 2018-06-01 海南电网有限责任公司电力科学研究院 一种基于bp神经网络的输电线路雷害风险评估方法
CN109190243A (zh) * 2018-08-31 2019-01-11 海南电网有限责任公司电力科学研究院 一种基于组合赋权法的输电线路防雷措施选择方法
CN109975661A (zh) * 2019-04-22 2019-07-05 西南交通大学 一种基于斯皮尔曼相关系数的输电线路故障检测方法
CN113011099A (zh) * 2021-03-26 2021-06-22 云南电网有限责任公司电力科学研究院 一种对输电线路雷击跳闸率进行计算修正的方法
CN113077164A (zh) * 2021-04-15 2021-07-06 云南电网有限责任公司电力科学研究院 一种基于熵值法的输电线路落雷风险系数评估方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100578488C (zh) * 2008-04-21 2010-01-06 国网武汉高压研究院 电网雷害分布确定方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228305A (zh) * 2016-07-26 2016-12-14 中国葛洲坝集团电力有限责任公司 一种输电线路防雷措施的评估方法
CN107992962A (zh) * 2017-11-23 2018-05-04 海南电网有限责任公司电力科学研究院 一种基于熵权法的输电线路防雷措施优化选择方法
CN108108877A (zh) * 2017-11-29 2018-06-01 海南电网有限责任公司电力科学研究院 一种基于bp神经网络的输电线路雷害风险评估方法
CN109190243A (zh) * 2018-08-31 2019-01-11 海南电网有限责任公司电力科学研究院 一种基于组合赋权法的输电线路防雷措施选择方法
CN109975661A (zh) * 2019-04-22 2019-07-05 西南交通大学 一种基于斯皮尔曼相关系数的输电线路故障检测方法
CN113011099A (zh) * 2021-03-26 2021-06-22 云南电网有限责任公司电力科学研究院 一种对输电线路雷击跳闸率进行计算修正的方法
CN113077164A (zh) * 2021-04-15 2021-07-06 云南电网有限责任公司电力科学研究院 一种基于熵值法的输电线路落雷风险系数评估方法

Also Published As

Publication number Publication date
CN113591256A (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
CN113591256B (zh) 一种山区输电线路杆塔雷击概率结果评估方法
Abbaszadeh et al. Enhancing hydrologic data assimilation by evolutionary particle filter and Markov chain Monte Carlo
CN109214581B (zh) 一种考虑风向和置信区间的铁路沿线风速预测方法
CN105184423B (zh) 一种风电场集群风速预测方法
Gomez Gutierrez et al. Modelling the occurrence of gullies in rangelands of southwest Spain
CN108108877A (zh) 一种基于bp神经网络的输电线路雷害风险评估方法
CN104112062B (zh) 基于插值方法的风资源分布的获取方法
CN110334404B (zh) 一种流域尺度骤发干旱精准识别方法
CN107704992A (zh) 输电线路雷击风险评估的方法及装置
CN112465332A (zh) 一种城市人工湿地公园生态地质环境稳定性的评价方法
CN103279671A (zh) 基于rbf神经网络-云模型的城市水灾害风险预测方法
CN110929459A (zh) 一种复杂地形风电场测风塔选址方法
CN109190839B (zh) 一种融合风向的铁路沿线风速智能滚动预测方法
CN113689053B (zh) 一种基于随机森林的强对流天气架空线停电预测方法
CN116910041B (zh) 一种基于尺度分析的遥感降水产品的逐日订正方法
US11694005B2 (en) Method, system and equipment for vegetation restoration or rehabilitation based on machine learning
CN109492756A (zh) 基于深度学习的多要素导线舞动预警方法及相关装置
CN115236005A (zh) 一种融合光谱和空间特征的土壤重金属含量反演方法
CN110866693A (zh) 一种基于gis模型的架空输电线路覆冰风险评估方法
CN115115163A (zh) 台风过境下输电线路杆塔故障危险度评估方法及存储介质
CN105138729B (zh) 基于pso‑grnn风电场风电机缺损风速值填充方法
CN117634325B (zh) 资料受限河口区域极值事件识别和复合洪水灾害分析方法和系统
CN113821895B (zh) 输电线路覆冰厚度预测模型的构建方法、装置及存储介质
CN105069027A (zh) 使指标得到简化的输电杆塔塔材实际强度计算方法
CN116415495A (zh) 面向复杂地形与气象环境的雷击跳闸率获取方法及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant